You are on page 1of 27

ESTADISTICA APLICADA

SESIN N 02

DISTRIBUCIONES DE PROBABILIDADES

VARIABLES ALEATORIAS,
BINOMIAL
POISSON
NORMAL
NORMAL ESTANDAR
LOGRO:
Conocer, comprender y distinguir los conceptos de variable
aleatoria, distribuciones de probabilidades: Binomial, Poisson,
Normal y Normal Estndar.
DEFINICIONES GENERALES

Experimento Aleatorio: Es cualquier accin que el investigador realiza para


obtener un suceso deseado.
El resultado inmediato no se puede predecir con certeza (incertidumbre).
Puede ser repetido bajo las mismas condiciones.
Es posible conocer, todos los posibles resultados que se pueden presentar.

Ejemplos:
Lanzar
una
moneda

Seleccionar un
Seleccionar un currculo, de un
producto, de grupo de
una lnea de expedientes
produccin presentados
PROBABILIDAD
Posibilidad de ocurrencia o no ocurrencia de un suceso o evento.

Frmula: Casos Favorables CF


P( S )
Total de Casos TC

Principios para asignar probabilidad:


a) La probabilidad de cada suceso debe estar entre 0 y 1
b) La suma de las probabilidades de todos los sucesos deben ser iguales
a 1.

Improbable Tan probable Certeza


como improbable
0 0.25 0,5 0.75 1

Muy poco Muy


probable Poco Probable
probable Probable
Ejemplos:
Determinar los elementos de probabilidad para el siguiente caso:

1. Obtener sello al lanzar una moneda


Experimento Aleatorio: Lanzar una moneda
Suceso: S = Obtener sello
Espacio Muestral: = Cara, Sello
Casos Favorables: CF = 1
Total de Casos: TC = 2

CF 1
Probabilidad: P( S ) 0.5 P(S) = 50%
TC 2

La probabilidad de obtener sello al lanzar una moneda es 50%


DEFINICIONES PRELIMINARES:
I. VARIABLE ALEATORIA:
Se denota por una X.
Es aquella que puede tomar diferentes valores a travs del tiempo o
de sujeto a sujeto.
Si una variable, es una variable aleatoria, entonces tiene una
distribucin de probabilidad.

EJEMPLOS:

X: N de casas vendidas en Trujillo.


X: N de ingenieros reconocidos a nivel nacional.
X: Ventas diarias de una empresa.
X: N de clientes que llegan diariamente a Plaza Vea.
X: N de automviles que llegan a una Estacin de Servicio.
X: N de llamadas telefnicas que recibe una secretaria.
X: Edad de las personas.
X: Tiempo de vida de un neumtico.
X: N de artculos defectuosos de un proceso productivo.
II. FUNCION DE PROBABILIDAD:
Es una frmula matemtica que nos permite calcular
probabilidades.
Una funcin de probabilidad, calcula la probabilidad para
cada valor individual de la variable aleatoria X.
Se denota por:

f (x) = P[ X = x ]
EJEMPLOS:

n
Distribucin Binomial: P[X x] p x q n x
x

e x
Distribucin Poisson: P[X x]
x!
III. FUNCION DE PROBABILIDAD ACUMULADA:
Llamada tambin funcin de distribucin que se denota por
F(x).
Es aquella que nos permite calcular probabilidades
acumuladas.
Se denota por:

F(x) = P[ X x ]
Por ejemplo:

F(1) = P[X1]=P(X=0) + P(X=1)


F(2) = P[X2]=P(X=0) + P(X=1) + P(X=2)
F(3) = P[X3]=P(X=0) + P(X=1) + P(X=2)+P(X=3)
DISTRIBUCIONES DISCRETAS

Distribucin Binomial
Distribucin Poisson

Otras DISTRIBUCIONES
para variables DISCRETAS:
Distribucin Hipergeometrica
Distribucin Binomial Negativa
Distribucin de Pascal
DISTRIBUCIN BINOMIAL
CARACTERISTICAS:

Los parmetros de la distribucin binomial son Parmetros:


n y p., donde:
n=Numero de ensayos o tamao de muestra
p = probabilidad de xito en cada ensayo. n,p
De aqu se obtiene que la probabilidad de
fracaso es q = 1-p
Si una v.a. X tiene una distribucin binomial ,
X B ( n, p )
esta se denota por:
Su funcin de probabilidad esta dada por:
Medidas Estadsticas

P[X x] C xn p x (1 p ) n x n p
2 n pq
n pq
UTILIDAD

Se utiliza en situaciones cuya solucin tiene dos posibles resultados.


Al nacer un/a beb puede ser varn o hembra.
En el deporte un equipo puede ganar o perder.
Un tratamiento mdico puede ser efectivo o inefectivo.
Vivo / muerto; enfermo / sano; verdadero / falso
Prueba mltiple 4 alternativas: correcta o incorrecta.
Algo puede considerarse como xito o Fracaso
Experimentos de Bernoulli
Usos:
Estimacin de proporciones
Pruebas de hiptesis de proporciones
PROPIEDADES DE UN
EXPERIMENTO DE BERNOULLI

1. En cada prueba del experimento slo hay dos posibles resultados:


xitos o Fracasos.
2. El resultado obtenido en cada prueba es independiente de los
resultados obtenidos en pruebas anteriores.
3. La probabilidad de un suceso (p) es constante y no vara de una
prueba a otra.
4. La probabilidad del complemento (1- p) es q .
5. Si repetimos el experimento n veces podemos obtener datos para
armar una distribucin binomial.
EJERCICIO:

En la empresa Aceros Arequipa, el Funcin de probabilidad


inspector de control de calidad ha
determinado que el 25% de los P(X x) C xn p x (1 p ) n x
lingotes producidos son defectuosos.
Para probar su afirmacin extrae una
Solucin:
muestra de 5 lingotes de acero y a
partir de ello desea calcular las a. P(X 0) C0 0.25 (0.75)
5 0 5

siguientes probabilidades:
= 0.237
a. Ninguno sea defectuoso.
b. P(X 1) C1 0.25 (0.75)
5 1 4
b. Exactamente 1 sea defectuoso.
c. Menos de 2 sean defectuosos. = 0.396
c. P(X 2) P(X 1) P(X 0) P(X 1)
= 0.633
PARAMETROS:
n=5
p = 0.25
MANEJO DE TABLA:

Para el uso de tabla tener en cuenta lo siguiente

A P ( X a ) = Usar directamente la tabla


B P(X>a) =1- P(Xa)
C P(Xa) =1- P(Xa-1)
D P(X=a) =P(Xa)-P(Xa-1)
E P ( a X b ) = P ( X b ) - P ( X a-1 )
F P ( a X < b ) = P ( X b-1 ) - P ( X a-1 )
G P ( a < X < b ) = P ( X b-1 ) - P ( X a )
H P (X < a ) = P ( X a-1 )
I P ( a < X <= b ) = P ( X b ) P ( X a )
DISTRIBUCIN POISSON
Es otra de las distribuciones discretas
mas importantes del calculo de
probabilidades.
Se utiliza cuando se quieren evaluar
variables aleatorias discretas pero
ocurridos en espacios continuos.
Estos espacios continuos pueden ser el
tiempo, volumen, espacio, etc.
Funcin de probabilidad
e x
PX x/
x!
Donde = Nmero esperado de xitos. Simeon Poisson
e = Constante matemtica.
x = Nmero de xitos por unidad.

Parmetro:
Funcin de probabilidad

e x
PX x/
EJERCICIO:

x!

Se conoce que el nmero promedio de arribos de camiones a la central de


abastos es de 3 camiones por minuto.
Calcular las siguientes probabilidades:
a.Lleguen exactamente dos arribos en un minuto.
b.Lleguen a lo ms 2 arribos en un minuto.
Solucin:
e3 32
a. Se tiene que = 3 arribos por minuto. P X 2 0.224
2!

b. P X 2 P(X 0) P(X 1) P(X 2)


e3 30 e3 31 e3 32
0.497 0.149 0.224 0.423
0! 1! 2!
LA DISTRIBUCIN NORMAL

La distribucin normal fue reconocida


por primera vez por el francs
Abraham de Moivre (1667-1754).

Posteriormente, Carl Friedrich Gauss (1777-1855)


realiz estudios ms a fondo
donde formula la ecuacin de la curva
conocida comnmente, como la
Campana de Gauss".
LA FUNCIN DE DISTRIBUCIN

Puede tomar cualquier valor (- , + )


Hay ms probabilidad para los valores cercanos a
la media
Conforme nos separamos de , la probabilidad va
decreciendo de igual forma a derecha e izquierda
(es simtrica).
Conforme nos separamos de , la probabilidad va
decreciendo dependiendo la desviacin tpica .
La distribucin normal bsicamente dice que hay
pocos valores extremos y que la mayor frecuencia
se encuentra en los valores centrales
DISTRIBUCIN NORMAL O
CAMPANA DE GAUSS-LAPLACE
1 2

= 22
2
Tipificacin de la variable

Para poder utilizar la tabla tenemos que transformar la variable X


que sigue una distribucin N(,) en otra variable Z que siga una
distribucin N(0, 1).
Histogram
X
Z 120.0

80.0
Count

40.0

0.0
-4.0 -1.3 1.3 4.0

C1
DISTRIBUCIN NORMAL ESTNDAR

Es el Modelo Tpico de la distribucin Normal


La Media, La Moda y la Mediana coinciden en el 0 (cero)
Es simtrica en torno a este valor
La distancia del valor central al punto de inflexin vale 1
Este valor es igual a la Varianza y Desviacin estndar,
PROPIEDADES
Si se conoce que la distribucin normal estndar tiene esas propiedades se
pueden calcular las siguientes cualidades.
La probabilidad entre -1 desviacin estndar () y +1 es de 0.68 o
sea que el 68% de los datos estn en ese intervalo
La probabilidad entre -2 y +2 es de 0.95 o sea que el 95% de los
datos estn en ese intervalo
La probabilidad entre -3 y +3 es de 0.99 o sea de 99% de los datos
estn en ese intervalo
VALORES DE Z

Para poder transformar la variable en unidades de desviacin estndar.


Se lleva hace la transformacin en lo que se llama la normalizacin que
se hace con la siguiente frmula.

X
Z

DESVIACIONES DE LA NORMAL
En la coleccin de datos pueden darse desviaciones de las caractersticas
de la normal
Cambios en la Kurtosis o concentracin los datos en torno a la media
Cuando los datos estn muy concentrados en torno a la media se dice
que la distribucin es leptocrtica
Cuando los datos estn muy dispersos se llama distribucin
platiocrtica.
EJEMPLO 1
Determine la probabilidad de que una persona tenga un
peso menor o igual a 150 libras
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=150 libras, el rea de la
curva que nos interesa es la siguiente:
X 150 140
Paso 2 - Determinar el valor Z 0.50
20
Paso 3 - Buscar en la tabla de probabilidades.
Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de 0.6915
Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad
deseada.
En este ejemplo no es necesario realizar ningn computo adicional ya que
el rea es la misma que se representa en la Tabla 1
GRACIAS POR SU ATENCIN

Ms. Augusto F. Mendiburu Rojas


fmendiburu12@Hotmail.com

You might also like